Lungi dall'essere una tecnologia "fantascientifica", l'intelligenza artificiale (IA) svolge già un ruolo cruciale in molti ambiti e sta rivoluzionando le tecnologie esistenti. Nell'ultimo decennio, tecniche di IA come l'apprendimento automatico (ML) e in particolare l'apprendimento profondo (DL), sono migliorate in modo significativo grazie all'abbondanza di dati abbinata ai progressi nell'elaborazione ad alte prestazioni. Come in molti ambiti tecnologici, queste nuove capacità di IA hanno riorientato e trasformato GIS e telerilevamento, fornendo nuove soluzioni e aumentando notevolmente l'efficienza. L'applicazione delle tecnologie di IA per risolvere i problemi riscontrati dalla comunità geospaziale è diventata nota come "GeoAI".
La comunità scientifica geospaziale, ad esempio, usa comunemente l'intelligenza artificiale e tecniche correlate per sfruttare meglio il volume altrimenti insormontabile di dati di osservazione della Terra (EO) creati per l'analisi geospaziale in vari domini, come città intelligenti, gestione ambientale e gestione dei disastri. Tuttavia, le possibili applicazioni per GeoAI stanno appena iniziando a emergere.
"Definirei GeoAI come un insieme di metodi o entità automatizzate che utilizzano dati geospaziali per percepire, costruire (automatizzare) e ottimizzare spazi in cui gli esseri umani, così come ogni altra cosa, possono continuare in modo sicuro ed efficiente le loro attività geograficamente referenziate", ha affermato Kyoung-Sook Kim, copresidente dell'OGC GeoAI Domain Working Group.
"GeoAI può apportare notevoli vantaggi per guidare la prossima generazione di innovazione dei servizi in molte applicazioni, tra cui trasporto autonomo, pianificazione/implementazione di smart city sostenibili, gestione aumentata di edifici ed energia, produzione auto-ottimizzata, previsione di focolai epidemici, aumento dell'esperienza personale e altro ancora. Tuttavia, deve anche affrontare una serie di nuove sfide etiche, legali, sociali e tecnologiche. Credo che gli standard internazionali svolgeranno un ruolo fondamentale nel garantire un'interoperabilità diffusa e vantaggi di sicurezza tra le varie discipline che si occupano di AI".
Le innovazioni in GeoAI alimentate da standard aperti hanno costi di sviluppo e implementazione inferiori, raggiungono il mercato prima e consentono un'integrazione/composizione orizzontale e verticale senza soluzione di continuità dei sistemi GeoAI. Gli standard aumenteranno anche la sicurezza degli approcci computazionali e delle tecniche algoritmiche che alimentano le intuizioni fornite dai motori AI.
Con questi vantaggi in mente, nel 2018, OGC ha formato l'Artificial Intelligence in Geoinformatics Domain Working Group (meglio noto come GeoAI DWG) per identificare casi d'uso e applicazioni correlati all'IA nelle applicazioni geospaziali. Il GeoAI DWG fornisce un forum aperto per un'ampia discussione e presentazione di casi d'uso per l'IA e le sue tecnologie correlate nel dominio geospaziale, con lo scopo di riunire geoscienziati, informatici, ingegneri, imprenditori e decisori del mondo accademico, dell'industria e del governo per sviluppare, condividere e ricercare le ultime tendenze, successi, sfide e opportunità nel settore.
Il GeoAI DWG ha inoltre il compito di esaminare la fattibilità e l'interoperabilità degli standard OGC per supportare l'uso e il riutilizzo dei dati geospaziali nelle applicazioni di intelligenza artificiale, nonché di descrivere lacune e problemi che potrebbero portare a nuovi standard geospaziali.
"Quando abbiamo proposto l'OGC GeoAI DWG, abbiamo trovato tre problemi principali nell'applicazione delle tecnologie AI ai domini geospaziali. Innanzitutto, ci sono pochi set di dati di addestramento di benchmark su larga scala come ImageNet, che viene utilizzato per il riconoscimento di oggetti nei progetti di visione artificiale. Anche se è disponibile un'enorme quantità di immagini satellitari e dati di point cloud, la maggior parte di essi non è pronta per l'uso per attività di Machine Learning geospaziale", ha affermato Kyoung-Sook.
"In secondo luogo, rispetto ai campi correlati dell'elaborazione delle immagini e dell'elaborazione del linguaggio naturale, pochi strumenti e flussi di lavoro aperti che utilizzano GeoAI sono condivisi in GIS e altre operazioni aziendali", ha affermato Kyoung-Sook. "Le organizzazioni pagano ancora per l'intero costo di sviluppo e implementazione quando adattano una nuova tecnica GeoAI in un caso aziendale, piuttosto che basarsi su strumenti e soluzioni aperti consolidati.
“Il terzo aspetto, che ritengo il più importante, è il sostegno a tecnologie GeoAI affidabili e sicure a supporto del benessere sia della Terra che dell'umanità. Il rapporto del 2018 del World Economic Forum ( Serie "La quarta rivoluzione industriale per la Terra - Sfruttare l'intelligenza artificiale per la Terra ") afferma che la considerazione più importante nello sviluppo dell'IA, a prescindere dalla fase di sviluppo, è garantire benefici sostenibili per l'umanità, che includono l'essere sia "amica dell'uomo" che "amica della Terra".
"Tornando al primo problema, vorrei che il GeoAI DWG risolvesse innanzitutto la mancanza di set di dati di formazione e migliorasse la condivisione di conoscenze da parte di persone qualificate. Questa mancanza di dati e condivisione di conoscenze causa un uso improprio dell'IA e crea modelli di IA distorti. Per risolvere questo problema, i membri del DWG hanno iniziato a raccogliere e analizzare applicazioni e casi d'uso correlati all'IA nelle nostre comunità.
"Di recente, l'OGC ha anche avviato la formazione del nuovo Sample Markup Language for Artificial Intelligence Machine Learning Standards Working Group (SampleML-AI/ML SWG) per sviluppare uno standard per la documentazione, l'archiviazione e la condivisione dei dati campione geospaziali".
Una componente chiave delle tecniche e dei processi ML è l'uso di dati campione, dati con provenienza nota, metadati coerenti e misurazioni della qualità, per ottimizzare e addestrare in modo coerente le applicazioni ML. La mancanza di dati campione coerenti e noti ostacola le applicazioni avanzate di scienza EO, causando problemi di riproducibilità e rendendo difficile confrontare i risultati tra gli studi.
I dati campione devono avere metadati sufficienti in un formato standard leggibile dalla macchina e includere informazioni spaziotemporali generali e attributi specifici dei dati campione per facilitare la scoperta e la query dei dati. Grazie alla loro utilità nelle applicazioni Geospatial ML, molte aree accademiche e industriali si sono concentrate sulla creazione dei propri set di dati di riferimento.
Tuttavia, per accedere e condividere questi set di dati di training in modo semplice ed efficace, è necessario uno standard internazionale per lo schema e i formati dei dati. Una soluzione proposta da OGC è quella di sviluppare un Sample Markup Language standardizzato per AI/ML, basato su standard di settore comunemente utilizzati ove possibile, che consenta agli utenti di documentare, archiviare e condividere dati di esempio geospaziali sul Web seguendo i principi di gestione dei dati FAIR di reperibilità, accessibilità, interoperabilità e riutilizzabilità.
La formazione del SampleML-AI/ML Standards Working Group, approvato dal GeoAI DWG, è quasi completata. Il gruppo di lavoro sarà quindi incaricato di sviluppare uno standard OGC SampleML-AI/ML, con categorie iniziali di dati campione geospaziali per immagini di telerilevamento, feature in movimento (tipicamente traiettorie di veicoli) e contenuti spaziali correlati.
Inoltre, il Testbed 18 dell'OGC ha un'attività dedicata ai set di dati di addestramento per l'apprendimento automatico. Citando il bando di partecipazione del Testbed 18: "L'obiettivo di questa attività del Testbed-18 è sviluppare le basi per la futura standardizzazione dei set di dati di addestramento per le applicazioni di osservazione della Terra. L'attività dovrà valutare lo stato attuale dei formati dei dati di addestramento, dei modelli di metadati e delle questioni generali di condivisione e riutilizzo. Diverse iniziative, come gli AI-Ready EO Training Datasets (AIREO) dell'ESA, hanno sviluppato suggerimenti che potrebbero essere utilizzati per la futura standardizzazione. Altre iniziative si sono concentrate sullo sviluppo di repository di dati di addestramento, come Radiant MLHub, un repository di dati di addestramento geospaziali ad accesso aperto dove chiunque può scoprire e scaricare set di dati di addestramento pronti per l'apprendimento automatico." Per saperne di più su questa attività, consultare la sezione 2.2. Set di dati di addestramento per l'apprendimento automatico nel bando di partecipazione del Testbed-18.
GeoAI sta già facendo cose incredibili per il settore della localizzazione. Tuttavia, per raggiungere davvero il suo potenziale, dobbiamo costruire una solida base di standard aperti per la condivisione di dati campione e la creazione di strumenti e flussi di lavoro aperti, nonché best practice aperte per garantire l'uso sicuro ed etico di questa potente tecnologia.
Se sei interessato a contribuire alla creazione di standard, best practice e/o alla documentazione di casi d'uso per le applicazioni GeoAI, valuta la possibilità di unirti al gruppo di lavoro Artificial Intelligence in Geoinformatics Domain Working Group. I membri dell'OGC possono iscriversi tramite il portale OGC qui . I non membri sono invitati a iscriversi contattando l'OGC tramite il modulo disponibile all'indirizzo ogc.org/contact.
Le parti interessate sono inoltre invitate a partecipare alla prossima riunione dei membri dell'OGC , dove probabilmente si riunirà il gruppo di lavoro OGC GeoAI (data da confermare), insieme a molti altri gruppi di lavoro OGC su standard e ambiti correlati.
Una versione di questo articolo è apparsa originariamente nel numero autunnale del 2021 della rivista GeoConnexion International Magazine.
